实测！最新端侧全模态大模型Megrez-3B-Omni 精华

模型概述

Megrez-3B-Omni是由无问芯穹研发的端侧全模态理解模型，基于无问大语言模型Megrez-3B-Instruct扩展，同时具备图片、文本、音频三种模态数据的理解分析能力，具体模型参数如下表所示。

Megrez-3B-Omni在并未牺牲模型的文本处理能力的前提下，在三个模态上相较于同等参数模型，均取得较好的效果。

图源：https://internvl.github.io/blog/2024-12-05-InternVL-2.5/

注意：下面的文本、图像、语音评测均基于https://huggingface.co/spaces/Infinigence/Megrez-3B-Omni

文本测试

依旧老三样，看看是否可以解决。

• 9​.9和9.11谁大的问题
  正确，回答十分简洁，因此又追问了一下为什么，回答的很好，解释思路也有点奇特，是按照数值范围来比较的。
• 用水来兑水，得到的是浓水还是稀水
  正确，理解的问题的关键，水兑水，还是水。
• 小红有2个兄弟，3个姐妹，那么小红的兄弟有几个姐妹
  错误，没有理解小红是女生，当然这道题本身也有争议，很多人都说应该分开讨论，分别讨论小红是男生和女生的情况。不过有意思的是，他先回答的是1，最后又纠正成3。从文本的评测榜单上来看，Megrez-3B-Omni在数学上还是有一些欠缺的。但话说回来，3B模型对于数学还是精力有限，太难的问题还是推荐大家用32B以上的模型。
• 那道伦理、生物、数学问题
  这道题算是比较难的了，虽然没回答对，但是可以看出安全对齐的还是不错的，想了解这道题，见​​一道涉及数学、生物、伦理的AI测试题，来测测各家大模型的推理能力​​

其他问题，大家自测吧，我整体的体验效果还不错，对于小参数模型来说，还是不错的。

图像测试

• 测试一下单图片信息抽取功能
  input：谁（姓名）几点出发，从哪儿到哪儿，并且花了多少钱
  结果：正确
• 测试一下单图片信息抽取+计算功能
  input：请逐步详细分析，告诉我在中文数据和英文数据分别占比是多少，并且告诉我总和
• 结果：正确



• 测试一下单图片理解功能
  input：请逐步详细分析，这张图片里是有两只狗，对吗
  结果：一开始说是，但后面又答对了，说一只猫一只狗。
• 测试一下单图片手写ORC功能
  input：请逐步详细分析，输出图片中的文字内容
  结果：输出结果丢字了，官方也说了OCR场景下开启采样可能会引入语言模型幻觉导致的文字变化，可考虑关闭采样进行推理，但关闭采样可能引入模型复读
• 测试一下单图片表格结构化输出
  input：识别图片中表格内容，并以结构化格式输出
  结果：正确，不过我这里贴的是简单表，复杂表的话，效果不好。当然好像现在复杂表的识别，模态大模型包括4o的效果都不好。

当前版本模型暂时不支持多图，就没测试，内部消息说下一版本会支持多图和视频（这一版本模型训练时多图数据没加太多）。

此外篇幅有限，更多的能力大家自己测测看看吧。

语音测试

• 语音转文本
  结果：正确
• 语音问答
  结果正确，可以理解语音内容

  

我在电脑端，音频测试有点麻烦，就简单测了几个，其他语音内容大家就自己测试吧。

Web-Search部分

其实让我感兴趣的还有一个web-search方案，里面还是有一些细节内容的，并不是一个简单的RAG总结项目。比如：工程中会增加一步摘要过程，去除无效的网页信息，并将内容cache下来，以便提高模型回复效果等。

Github: https://github.com/infinigence/InfiniWebSearch

项目是基于Megrez-3B-Instruct模型，进行的web-search搭建，做了一些适配Search的专项训练，

• 模型调用Search Tool的时机挺准确的。做过相关内容的同学一定知道，模型在Search工具调用上很容易出现一直调用工具的情况，但实际上一些日常问题是不需要调用搜索引擎的，大模型可以直接回答甚至效果更好。

• 多轮对话的理解不错。我们也知道多轮对话理解是大模型的强项，但在带检索的过程当然，就需要模型对整个对话有很好的理解能力。

• 当然给出带ref格式的输出内容，这个部分是模型针对性训练后才用的能力。

看他的工程，里面还是有很多有意思的细节内容，并不是一个简单的RAG总结项目。比如：工程中会增加一步摘要过程，去除无效的网页信息，并将内容cache下来，以便提高模型回复效果等。

Github: https://github.com/infinigence/InfiniWebSearch

项目的整体流程如下图所示，

• 判断是调用工具回答还是大模型直接回答
• 若调用工具回答则对用户Query改写，生成相应的搜索关键词
• 通过查询Query获取相关的网页文本内容
• 根据Query和各个网页内容生成对应的summary，无关网页或者内容会以“无相关信息”替代
• 在根据summary和Query终结生成答案。

SUMMARY_PROMPT_TEMPLATE = (
    '从信息中总结能够回答问题的相关内容，要求简明扼要不能完全照搬原文。直接返回总结不要说其他话，如果没有相关内容则返回"无相关内容", 返回内容为中文。\n\n'
    "<问题>{question}</问题>\n"
    "<信息>{context}</信息>"
)

OBSERVATION_PROMPT_TEMPLATE = (
    "You will be given a set of related contexts to the question, "
    "each starting with a reference number like [[citation:x]], where x is a number. "
    "Please use the context and cite the context at the end of each sentence if applicable."
    "\n\n"
    "Please cite the contexts with the reference numbers, in the format [citation:x]. "
    "If a sentence comes from multiple contexts, please list all applicable citations, like [citation:3][citation:5]. "
    "If the context does not provide relevant information to answer the question, "
    "inform the user that there is no relevant information in the search results and that the question cannot be answered."  # noqa: E501
    "\n\n"
    "Other than code and specific names and citations, your answer must be written in Chinese."
    "\n\n"
    "Ensure that your response is concise and clearly formatted. "
    "Group related content together and use Markdown points or lists where appropriate."
    "\n\n"
    "Remember, summarize and don't blindly repeat the contexts verbatim. And here is the user question:\n"
    "{question}\n"
    "Here is the keywords of the question:\n"
    "{keywords}"
    "\n\n"
    "Here are the set of contexts:"
    "\n\n"
    "{context}"
)

整个项目的启动也是十分简单，三步走，你就可以得到一个本地部署的kimi啦：

• 启动检索

export SERPER_API_KEY=$YOUR_API_KEY
cd infini_websearch/service
python search_service.py --port 8021 --chrome ./chrome-linux64/chrome --chromedriver ./chromedriver-linux64/chromedriver

• 启动模型

python -m vllm.entrypoints.openai.api_server --served-model-name megrez --model $MODEL_PATH --port 8011 --max-seq-len 4096 --trust_remote_code

• 启动Demo

python gradio_app.py -m $MODEL_PATH --port 7860

PS：其他详细内容自己去看Github，比如摘要字数、关注的对话轮等等。

本文转载自 ​​NLP工作站​​，作者： 刘聪NLP